CN105096217B - 一种电力计量自动化终端通信状态预测方法和系统 - Google Patents
一种电力计量自动化终端通信状态预测方法和系统 Download PDFInfo
- Publication number
- CN105096217B CN105096217B CN201510566177.2A CN201510566177A CN105096217B CN 105096217 B CN105096217 B CN 105096217B CN 201510566177 A CN201510566177 A CN 201510566177A CN 105096217 B CN105096217 B CN 105096217B
- Authority
- CN
- China
- Prior art keywords
- sample
- terminal
- prediction
- communications status
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 118
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 241001269238 Data Species 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供一种电力计量自动化终端通信状态预测方法，包括确定预测终端及分析范围；从已确定通信状态的终端中选择样本，并获取各样本的历史通信数据；设置特征向量的各个变量，且在各样本历史通信数据中筛选出各样本特征向量值，并得到由各样本特征向量值形成的专家样本库，以及在分析范围中筛选出各预测终端的特征向量值；将各预测终端的特征向量值与专家样本库进行欧氏距离计算，得到各预测终端的计算值满足一定条件下对应专家样本库中的样本及样本通信状态，统计各预测终端得到的样本通信状态为故障和正常的数量，并将数量最多对应的通信状态作为各预测终端预测的通信状态。实施本发明，具有较高的实用性，能够提高故障预测的准确性。
Description
技术领域
本发明涉及电力计量自动化终端技术领域，尤其涉及一种电力计量自动化终端通信状态预测方法和系统。
背景技术
随着电力系统规模的不断扩大和结构的日益复杂化，越来越多的自动装置应用到电力系统。一旦电网发生故障，由于各级自动装置产生的大量报警信息将会快速地涌入电力系统调度中心，使得调度员无法在短时间内迅速判断出故障原因，从而会给电网正常运行带来严重的安全隐患和巨大的经济损失，因此及时排除故障对于电网安全经济运行来说具有重大的意义。
现有技术中，电力计量自动化终端通过公网与服务中心连接，但其采集到的用电情况等数据的传输受到通信故障、停电等问题的影响，因此故障预测具有重要意义。目前，应用较为广泛的故障诊断方法包括：专家系统、人工神经网络、贝叶斯网络、优化技术、支持向量机、Petri网络、模糊集理论、粗糙集理论和多代理技术等，但是在实际的应用中，由于上述方法应用困难和准确性不足等原因，造成人工发现故障再实地排查解决的情况还很普遍。
发明内容
本发明实施例所要解决的技术问题在于，提供一种电力计量自动化终端通信状态预测方法和系统，具有较高的实用性，能够提高故障预测的准确性。
为了解决上述技术问题，本发明实施例提供了一种电力计量自动化终端通信状态预测方法，所述方法包括：
S1、确定所需预测的多个终端及每一预测终端通信数据的分析范围；
S2、从已确定通信状态为故障和正常的终端中，分别选择一定数量的终端作为样本，并获取各样本的历史通信数据；其中，所述已确定通信状态为故障的终端与所述已确定通信状态为正常的终端之间数量的差值位于预设的范围内；
S3、设置特征向量的各个变量，且根据所述设置的各个变量，在所述获取到的各样本历史通信数据中，筛选出各样本特征向量值，并得到由所述筛选出的各样本特征向量值形成的专家样本库，以及在所述每一预测终端通信数据的分析范围中，筛选出各预测终端的特征向量值；
S4、将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端所计算出的欧氏距离值满足一定条件下对应在所述专家样本库中获取到的样本及样本通信状态，并分别统计出各预测终端获取到的样本通信状态为故障和正常的数量，且进一步将各预测终端各自统计出的数量最大值对应的通信状态作为其预测的通信状态。
其中，所述步骤S2中“预设的范围”为[-1,1]。
其中，所述步骤S3的具体步骤包括：
确定所述特征向量为15维特征向量，并设置所述15维特征向量中的各个变量；其中，所述变量包括发送字节的均值、接收字节的均值、重连次数的均值、数据流量的均值、报警流量的均值、心跳流量的均值、在线时间的均值、发送字节超过阈值的次数、接收字节超过阈值的次数、重连次数超过阈值的次数、数据流量超过阈值的次数、报警流量超过阈值的次数、心跳流量超过阈值的次数、在线时间超过阈值的次数和接收字节的方差；
在所述获取到的各样本历史通信数据中，选取一定时间范围，且根据所述设置的各个变量，在所选的一定时间范围内对各样本的特征向量赋值，得到各样本特征向量值，并进一步将所述得到的各样本特征向量值组合成专家样本库；
在所述每一预测终端通信数据的分析范围中，根据所述设置的各个变量，在各预测终端所选的分析范围内对各预测终端的特征向量赋值，得到各预测终端的特征向量值。
其中，所述在所述获取到的各样本历史通信数据中，选取一定时间范围，且根据所述设置的各个变量，在所选的一定时间范围内对各样本的特征向量赋值，得到各样本特征向量值，并进一步将所述得到的各样本特征向量值组合成专家样本库的具体步骤包括：
当获取到当前样本的通信状态为正常时，从所述获取到的各样本历史通信数据中，得到当前样本在所选一定时间范围内的数据，并在所述得到的数据中随机选取多天完整数据，且根据所述设置的各个变量，得到当前样本通信状态为正常时的特征向量值；
当获取到当前样本的通信状态为故障时，确定当前样本在所选一定时间范围内的最后在线时间，并以所述确定的最后在线时间为起点，按时间反序方式在所选一定时间范围的数据中选取多天完整数据，且根据所述设置的各个变量，得到当前样本通信状态为故障时的特征向量值；
将所述当前样本通信状态为正常时的特征向量值以及所述当前样本通信状态为故障时的特征向量值组合，形成所述专家样本库。
其中，所述步骤S4的具体步骤包括：
将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端对应于所述专家样本库分别形成的欧氏距离值集合；
针对每一预测终端，均统计出其对应得到的欧氏距离值集合中最小的K个欧氏距离值以及所述得到的K个欧氏距离值在所述专家样本库中对应的样本，且进一步均统计出其对应得到的K个样本中通信状态为故障时的数量和通信状态为正常时的数量；其中，K为自然数；
检测出每一预测终端各自对应K个样本中通信状态为故障时的数量和通信状态为正常时的数量之间的最大值，并将各预测终端各自检测出的最大值对应的通信状态作为其预测的通信状态。
其中，所述方法进一步包括：
从所述各预测终端对应预测的通信状态中，筛选出通信状态为故障的预测终端；
确定所述筛选出的通信状态为故障的预测终端各自对应得到的K个样本的通信状态及其对应的欧氏距离值，并根据第一公式和第二公式ranki＝(ri+K)×16，计算出所述通信状态为故障的各预测终端得到的得分ranki；其中，D1、D2、...DK分别为所述得到的1至K个样本的欧氏距离值；当D1、D2、...DK中Dj对应的样本通信状态为故障时，则相应的采用正计算符号计算，当D1、D2、...DK中Dj对应的样本通信状态为正常时，则相应的采用负计算符号计算；ranki为第i个预测终端的得分，i为自然数；
统计出所述得分低于预设阈值的预测终端，并将所述统计出的预测终端预测的通信状态均修订为正常。
其中，所述K为3。
本发明实施例还提供了一种电力计量自动化终端通信状态预测系统，所述系统包括：
预测终端确定单元，用于确定所需预测的多个终端及每一预测终端通信数据的分析范围；
样本选取单元，用于从已确定通信状态为故障和正常的终端中，分别选择一定数量的终端作为样本，并获取各样本的历史通信数据；其中，所述已确定通信状态为故障的终端与所述已确定通信状态为正常的终端之间数量的差值位于预设的范围内；
专家样本库及预测终端向量构建单元，用于设置特征向量的各个变量，且根据所述设置的各个变量，在所述获取到的各样本历史通信数据中，筛选出各样本特征向量值，并得到由所述筛选出的各样本特征向量值形成的专家样本库，以及在所述每一预测终端通信数据的分析范围中，筛选出各预测终端的特征向量值；
预测终端通信状态预测单元，用于将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端所计算出的欧氏距离值满足一定条件下对应在所述专家样本库中获取到的样本及样本通信状态，并分别统计出各预测终端获取到的样本通信状态为故障和正常的数量，且进一步将各预测终端各自统计出的数量最大值对应的通信状态作为其预测的通信状态。
实施本发明实施例，具有如下有益效果：
1、在本发明实施例中，由于通过提取各预测终端数据形成的特征向量值与历史通信数据构建的专家样本库进行欧氏距离计算，得出各预测终端的欧氏距离值满足一定条件下对应在专家样本库中获取到的样本通信状态，将各预测终端各自统计出的通信状态数量最大的作为其预测的通信状态，从而具有较高的实用性，能够提高故障预测的准确性；
2、在本发明实施例中，由于在各预测终端中筛选出通信状态为故障的预测终端，并采用一定公式对筛选的预测终端进行得分计算，通过修订得分低于预设阈值的预测终端的通信状态，使得相关人员可灵活决定是否进行现场排查，从而节约了成本，减少了风险，提升了运维水平和在线率，保障了自动化系统的实用化效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种电力计量自动化终端通信状态预测方法的流程图；
图2为本发明实施例提供的一种电力计量自动化终端通信状态预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例提供的一种电力计量自动化终端通信状态预测方法，所述方法包括：
步骤S1、确定所需预测的多个终端及每一预测终端通信数据的分析范围；
具体过程为，可选择在线的自动化终端进行预测，以及选取预测终端通信数据的分析范围，该分析范围可以为一天通信数据，也可以为多天通信数据，从而有针对性的对预测的通信状态为故障的终端进行检修和维护，从而节约了成本，减少了风险，提升了运维水平和在线率，保障了自动化系统的实用化效果。
步骤S2、从已确定通信状态为故障和正常的终端中，分别选择一定数量的终端作为样本，并获取各样本的历史通信数据；其中，所述已确定通信状态为故障的终端与所述已确定通信状态为正常的终端之间数量的差值位于预设的范围内；
具体过程为，在历史检修过程中，可以判定所检修的终端中，属于通信状态为故障的终端以及属于通信状态为正常的终端，并且可进一步判定属于通信状态为故障的终端对应的故障类型、最后在线时间、排查结果、排查时间等等。
为了形成预测数据的分析模型，因此需要在已确定通信状态为故障和正常的终端中，分别选择一定数量的终端作为样本，并获取各样本的历史通信数据。为了提高分析模型的可靠性，样本中选取的通信状态为故障的终端与通信状态为正常的终端的数量尽量相差不大，例如二者的数量差值在±1，即预设的范围为[-1,1]。
步骤S3、设置特征向量的各个变量，且根据所述设置的各个变量，在所述获取到的各样本历史通信数据中，筛选出各样本特征向量值，并得到由所述筛选出的各样本特征向量值形成的专家样本库，以及在所述每一预测终端通信数据的分析范围中，筛选出各预测终端的特征向量值；
具体过程为，步骤31、确定特征向量为15维特征向量，并设置15维特征向量中的各个变量；其中，变量包括发送字节的均值、接收字节的均值、重连次数的均值、数据流量的均值、报警流量的均值、心跳流量的均值、在线时间的均值、发送字节超过阈值的次数、接收字节超过阈值的次数、重连次数超过阈值的次数、数据流量超过阈值的次数、报警流量超过阈值的次数、心跳流量超过阈值的次数、在线时间超过阈值的次数和接收字节的方差；
步骤32、在获取到的各样本历史通信数据中，选取一定时间范围，且根据设置的各个变量，在所选的一定时间范围内对各样本的特征向量赋值，得到各样本特征向量值，并进一步将所述得到的各样本特征向量值组合成专家样本库；
具体为，当获取到当前样本的通信状态为正常时，从获取到的各样本历史通信数据中，得到当前样本在所选一定时间范围内的数据，并在得到的数据中随机选取多天完整数据，且根据设置的各个变量，得到当前样本通信状态为正常时的特征向量值；
当获取到当前样本的通信状态为故障时，确定当前样本在所选一定时间范围内的最后在线时间，并以确定的最后在线时间为起点，按时间反序方式在所选一定时间范围的数据中选取多天完整数据，且根据设置的各个变量，得到当前样本通信状态为故障时的特征向量值；
将当前样本通信状态为正常时的特征向量值以及当前样本通信状态为故障时的特征向量值组合，形成所述专家样本库。
作为一个例子，样本的历史通信数据由终端通信工况表和现场运维情况表形成，通信工况表是用来反应每个终端每天的通信状态相关数据，所包含的具体内容如表1所示：
表1
应当说明的是，每个终端每天都有一条对应的数据，反应当天的通信情况，如果出现故障，可能导致某一天的数据没有传到数据中心，使得数据库中没有相应记录；在线时间是每分钟统计1次，每天统计1440次，如果数值为1440表示24小时均在线。
现场运维情况表是运维人员对故障终端的一个维修、检查的结果，包括终端信息和故障信息两大部分的内容，每条记录所包含的具体内容如表2所示：
表2
应当说明的是，每次运维就会产生一条记录，本发明实施例只使用上表2中的部分数据，包括终端地址、终端最后在线时间、故障类型三个。
样本特征向量值和专家样本库的具体实现步骤如下：
(a)首先，确定样本的数据是否完整，如现场运维情况表中，样本地址、样本最后在线时间、故障类型这三个中任意一个有缺失，则为不完整数据；如终端通信工况表中，某一天的样本数据均为0，则为不完整数据。
(b)对于通信状态为正常的样本，需要找到数据没有缺失，同时不出现在现场运维记录中的点，日期可以随机选取，但是要尽量均匀分布，不可以都选择同一天，如从测试时间起，该终端的过去15天范围内的历史通信数据。
(c)对于通信状态为故障的样本，以该样本最后在线时间为起点，按时间反序方式在所选一定时间范围的数据中选取多天完整数据，如终端地址为02140139，终端最后在先时间为2012年11月30日，则从全部的通信工况数据中，获取该终端2012年11月16日到2012年11月30日共15天的数据。
(d)对于样本来说，获取15天的历史通信数据，该数据特征包括数据特征包括均值、方差和波动次数(即超过阈值的次数)。通过对表1中，发送字节、接收字节、重连次数、数据流量、报警流量、心跳流量和在线时间7个内容，分别获得其均值和波动次数，以及接收字节的方差，最终组成一个15维的特征向量，即包括发送字节的均值、接收字节的均值、重连次数的均值、数据流量的均值、报警流量的均值、心跳流量的均值、在线时间的均值、发送字节超过阈值的次数、接收字节超过阈值的次数、重连次数超过阈值的次数、数据流量超过阈值的次数、报警流量超过阈值的次数、心跳流量超过阈值的次数、在线时间超过阈值的次数和接收字节的方差。
应当说明的是，计算方差时，由于发送字节数值较大，需要将15天的每个数值除以10000再进行计算，得到数值比较合理的方差；波动次数的计算方法，以发送字节的波动次数为例：先由表1中15天的数据计算出发送字节的均值FA，设定阈值上限为FA*1.1，下限为FA*0.9，波动次数就是发送字节15天的数据中，超过上述范围的次数。
(e)对各样本特征向量值均进行归一化和加权，即对各样本特征向量值的15维分别除以一个数值，使其结果在1附近。先从样本对应的数据中得到发送字节、接收字节、重连次数、数据流量、报警流量、心跳流量和在线时间这七个数据的均值，然后对该样本特征中的前7维均值数据，分别除以相应的均值，对于最后7维波动次数，均除以10；再对归一化后的特征向量值进行加权，对15数据分别对应乘上一个系数进行加权。本发明实施例使用的系数分别是0.5,0.4,0.6,0.2,0.8,1.0,2.5,1.0,0.5,0.9,0.5,0.5,0.5,0.8,1.2。
(f)将各样本的15维特征向量值组合成专家样本库，并将各样本的特征向量值与其相对应的通信状态作为标签，其中，标签1代表样本的通信状态为故障，标签0代表样本的通信状态为正常，具体如下表3所示：
表3
| 维度1 | 维度2 | …… | 维度15 | 标签 |
| 1.01 | 1.09 | …… | 1.34 | 0 |
| 1.02 | 1.23 | …… | 1.65 | 1 |
| 1.00 | 0.98 | …… | 1.22 | 1 |
| …… | …… | …… | …… | …… |
步骤33、在每一预测终端通信数据的分析范围中，根据设置的各个变量，在各预测终端所选的分析范围内对各预测终端的特征向量赋值，得到各预测终端的特征向量值。
具体过程为，各预测终端通信数据的分析范围可为专家样本库中所选一定范围后的一段时间，具体的数据处理及特征向量赋值与样本特征向量值的赋值相类似，在此不一一赘述。
步骤S4、将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端所计算出的欧氏距离值满足一定条件下对应在所述专家样本库中获取到的样本及样本通信状态，并分别统计出各预测终端获取到的样本通信状态为故障和正常的数量，且进一步将各预测终端各自统计出的数量最大值对应的通信状态作为其预测的通信状态。
具体过程为，步骤S41、将筛选出的各预测终端的特征向量值依次分别与专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端对应于专家样本库分别形成的欧氏距离值集合；
具体为，依次计算出所筛选出的各预测终端的特征向量值与专家样本库中所有特征向量值的欧氏距离值，距离的计算方法如公式(1)所示，距离D表示预测终端的特征向量值X和专家样本库中一特征向量值S的欧氏距离，其中X和S维度相同，此处都是15维：
式(1)中，x1、x2、...xK为预测终端的特征向量值X的15维度值；s1、s2、...sK为专家样本库中一特征向量值S的15维度值。
步骤S42、针对每一预测终端，均统计出其对应得到的欧氏距离值集合中最小的K个欧氏距离值以及得到的K个欧氏距离值在专家样本库中对应的样本，且进一步均统计出其对应得到的K个样本中通信状态为故障时的数量和通信状态为正常时的数量；其中，K为自然数；
具体为，针对每一预测终端，均取专家样本库中距离当前预测终端的特征向量值X最近的K个特征向量值，并根据这K个特征向量值对应的标签(即通信状态)，统计不同标签类别(0和1)的数量。
步骤S43、检测出每一预测终端各自对应K个样本中通信状态为故障时的数量和通信状态为正常时的数量之间的最大值，并将各预测终端各自检测出的最大值对应的通信状态作为其预测的通信状态。
具体为，在各预测终端中确定不同标签类别(0和1)中数量最多的标签类别，并将该数量最多的标签类别作为各预测终端各自对应预测的通信状态。
作为一个例子，预测终端A的特征向量值X最近的K个特征向量值对应的标签1的数据最多，则将以通信状态为故障记为判决结果，即预测终端A的通信状态为故障；反之，则将以通信状态为正常记为判决结果，即预测终端A的通信状态为正常。
为了节约成本，减少风险，提升运维水平和在线率，保障自动化系统的实用化效果，需要对预测通信状态为故障的终端进行打分，并对打分的故障终端在满足一定条件下进行通信状态的修订，因此所述方法进一步包括：
从所述各预测终端对应预测的通信状态中，筛选出通信状态为故障的预测终端；
确定所述筛选出的通信状态为故障的预测终端各自对应得到的K个样本的通信状态及其对应的欧氏距离值，并根据第一公式和第二公式ranki＝(ri+K)×16，计算出所述通信状态为故障的各预测终端得到的得分ranki；其中，D1、D2、...DK分别为所述得到的1至K个样本的欧氏距离值；当D1、D2、...DK中Dj对应的样本通信状态为故障时，则相应的采用正计算符号计算，当D1、D2、...DK中Dj对应的样本通信状态为正常时，则相应的采用负计算符号计算；ranki为第i个预测终端的得分，i为自然数；
统计出所述得分低于预设阈值的预测终端，并将所述统计出的预测终端预测的通信状态均修订为正常。
作为一个例子，取值K＝3，以预测终端P和预测终端M为例说明：
历史通信数据的选取测试时间为10月15日，完成专家样本库的构建；
预测终端M以11月10日到11月25日的数据计算出特征向量值，记为X1，再根据公式(1)计算特征向量值X1与样本库中所有样本特征向量值的欧氏距离值D，取欧氏距离值中数值最小的K＝3个，从小到大排列为D1、D2和D3，并在专家样本库中查找到D1、D2和D3所对应的样本标签分别为0(正常)、1(故障)、0(正常)，由于则预测终端M在该日期下类别为0的数量最多，因此判决结果为0，即预测终端M预测的通信状态为正常；
预测终端P以10月1日到10月30日的数据计算出特征向量值，记为X2，再根据公式(1)计算特征向量值X2与样本库中所有样本特征向量值的欧氏距离值D，取欧氏距离值中数值最小的K＝3个，从小到大排列为D1、D2和D3，并在专家样本库中查找到D1、D2和D3所对应的样本标签分别为1(故障)、1(故障)、0(正常)，由于则预测终端P在该日期下类别为1的数量最多，因此判决结果为1，即预测终端P预测的通信状态为故障；
选出该预测终端P进行进一步分析，由于该预测终端P中D1和D2对应的类别为1与
判决结果相同，D3对应的类别为0与判决结果不同，所以第一公式中正负号分别记为正、正
和负，则第一公式为其预测终端P的得分为
一旦计算出预测终端P的得分小于预设阈值(或满足一定的条件)时，则将预测终端P的通信状态由故障修订为正常，即标签由1改为0。
如图2所示，为本发明实施例中，提供的一种电力计量自动化终端通信状态预测系统，所述系统包括：
预测终端确定单元210，用于确定所需预测的多个终端及每一预测终端通信数据的分析范围；
样本选取单元220，用于从已确定通信状态为故障和正常的终端中，分别选择一定数量的终端作为样本，并获取各样本的历史通信数据；其中，所述已确定通信状态为故障的终端与所述已确定通信状态为正常的终端之间数量的差值位于预设的范围内；
专家样本库及预测终端向量构建单元230，用于设置特征向量的各个变量，且根据所述设置的各个变量，在所述获取到的各样本历史通信数据中，筛选出各样本特征向量值，并得到由所述筛选出的各样本特征向量值形成的专家样本库，以及在所述每一预测终端通信数据的分析范围中，筛选出各预测终端的特征向量值；
预测终端通信状态预测单元240，用于将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端所计算出的欧氏距离值满足一定条件下对应在所述专家样本库中获取到的样本及样本通信状态，并分别统计出各预测终端获取到的样本通信状态为故障和正常的数量，且进一步将各预测终端各自统计出的数量最大值对应的通信状态作为其预测的通信状态。
实施本发明实施例，具有如下有益效果：
1、在本发明实施例中，由于通过提取各预测终端数据形成的特征向量值与历史通信数据构建的专家样本库进行欧氏距离计算，得出各预测终端的欧氏距离值满足一定条件下对应在专家样本库中获取到的样本通信状态，将各预测终端各自统计出的通信状态数量最大的作为其预测的通信状态，从而具有较高的实用性，能够提高故障预测的准确性；
2、在本发明实施例中，由于在各预测终端中筛选出通信状态为故障的预测终端，并采用一定公式对筛选的预测终端进行得分计算，通过修订得分低于预设阈值的预测终端的通信状态，使得相关人员可灵活决定是否进行现场排查，从而节约了成本，减少了风险，提升了运维水平和在线率，保障了自动化系统的实用化效果。
值得注意的是，上述系统实施例中，所包括的各个系统单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (6)
1.一种电力计量自动化终端通信状态预测方法，其特征在于，所述方法包括：
S1、确定所需预测的多个终端及每一预测终端通信数据的分析范围；
S2、从已确定通信状态为故障和正常的终端中，分别选择一定数量的终端作为样本，并获取各样本的历史通信数据；其中，所述已确定通信状态为故障的终端与所述已确定通信状态为正常的终端之间数量的差值位于预设的范围内；
S3、设置特征向量的各个变量，且根据所述设置的各个变量，在所述获取到的各样本历史通信数据中，筛选出各样本特征向量值，并得到由所述筛选出的各样本特征向量值形成的专家样本库，以及在所述每一预测终端通信数据的分析范围中，筛选出各预测终端的特征向量值；
S4、将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端所计算出的欧氏距离值满足一定条件下对应在所述专家样本库中获取到的样本及样本通信状态，并分别统计出各预测终端获取到的样本通信状态为故障和正常的数量，且进一步将各预测终端各自统计出的数量最大值对应的通信状态作为其预测的通信状态；
其中，所述步骤S4的具体步骤包括：
将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端对应于所述专家样本库分别形成的欧氏距离值集合；
针对每一预测终端，均统计出其对应得到的欧氏距离值集合中最小的K个欧氏距离值以及所述得到的K个欧氏距离值在所述专家样本库中对应的样本，且进一步均统计出其对应得到的K个样本中通信状态为故障时的数量和通信状态为正常时的数量；其中，K为自然数；
检测出每一预测终端各自对应K个样本中通信状态为故障时的数量和通信状态为正常时的数量之间的最大值，并将各预测终端各自检测出的最大值对应的通信状态作为其预测的通信状态；
其中，所述方法进一步包括：
从所述各预测终端对应预测的通信状态中，筛选出通信状态为故障的预测终端；
确定所述筛选出的通信状态为故障的预测终端各自对应得到的K个样本的通信状态及其对应的欧氏距离值，并根据第一公式和第二公式ranki＝(ri+K)×16，计算出所述通信状态为故障的各预测终端得到的得分ranki；其中，D1、D2、...DK分别为所述得到的1至K个样本的欧氏距离值；当D1、D2、...DK中Dj对应的样本通信状态为故障时，则相应的采用正计算符号计算，当D1、D2、...DK中Dj对应的样本通信状态为正常时，则相应的采用负计算符号计算；ranki为第i个预测终端的得分，i为自然数；
统计出所述得分低于预设阈值的预测终端，并将所述统计出的预测终端预测的通信状态均修订为正常。
2.如权利要求1所述的方法，其特征在于，所述步骤S2中“预设的范围”为[-1,1]。
3.如权利要求1所述的方法，其特征在于，所述步骤S3的具体步骤包括：
确定所述特征向量为15维特征向量，并设置所述15维特征向量中的各个变量；其中，所述变量包括发送字节的均值、接收字节的均值、重连次数的均值、数据流量的均值、报警流量的均值、心跳流量的均值、在线时间的均值、发送字节超过阈值的次数、接收字节超过阈值的次数、重连次数超过阈值的次数、数据流量超过阈值的次数、报警流量超过阈值的次数、心跳流量超过阈值的次数、在线时间超过阈值的次数和接收字节的方差；
在所述获取到的各样本历史通信数据中，选取一定时间范围，且根据所述设置的各个变量，在所选的一定时间范围内对各样本的特征向量赋值，得到各样本特征向量值，并进一步将所述得到的各样本特征向量值组合成专家样本库；
在所述每一预测终端通信数据的分析范围中，根据所述设置的各个变量，在各预测终端所选的分析范围内对各预测终端的特征向量赋值，得到各预测终端的特征向量值。
4.如权利要求3所述的方法，其特征在于，所述在所述获取到的各样本历史通信数据中，选取一定时间范围，且根据所述设置的各个变量，在所选的一定时间范围内对各样本的特征向量赋值，得到各样本特征向量值，并进一步将所述得到的各样本特征向量值组合成专家样本库的具体步骤包括：
当获取到当前样本的通信状态为正常时，从所述获取到的各样本历史通信数据中，得到当前样本在所选一定时间范围内的数据，并在所述得到的数据中随机选取多天完整数据，且根据所述设置的各个变量，得到当前样本通信状态为正常时的特征向量值；
当获取到当前样本的通信状态为故障时，确定当前样本在所选一定时间范围内的最后在线时间，并以所述确定的最后在线时间为起点，按时间反序方式在所选一定时间范围的数据中选取多天完整数据，且根据所述设置的各个变量，得到当前样本通信状态为故障时的特征向量值；
将所述当前样本通信状态为正常时的特征向量值以及所述当前样本通信状态为故障时的特征向量值组合，形成所述专家样本库。
5.如权利要求1所述的方法，其特征在于，所述K为3。
6.一种电力计量自动化终端通信状态预测系统，其特征在于，所述系统包括：
预测终端确定单元，用于确定所需预测的多个终端及每一预测终端通信数据的分析范围；
样本选取单元，用于从已确定通信状态为故障和正常的终端中，分别选择一定数量的终端作为样本，并获取各样本的历史通信数据；其中，所述已确定通信状态为故障的终端与所述已确定通信状态为正常的终端之间数量的差值位于预设的范围内；
专家样本库及预测终端向量构建单元，用于设置特征向量的各个变量，且根据所述设置的各个变量，在所述获取到的各样本历史通信数据中，筛选出各样本特征向量值，并得到由所述筛选出的各样本特征向量值形成的专家样本库，以及在所述每一预测终端通信数据的分析范围中，筛选出各预测终端的特征向量值；
预测终端通信状态预测单元，用于将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端所计算出的欧氏距离值满足一定条件下对应在所述专家样本库中获取到的样本及样本通信状态，并分别统计出各预测终端获取到的样本通信状态为故障和正常的数量，且进一步将各预测终端各自统计出的数量最大值对应的通信状态作为其预测的通信状态；
其中，所述预测终端通信状态预测单元包括：
欧氏距离计算模块，用于将所述筛选出的各预测终端的特征向量值依次分别与所述专家样本库中所有特征向量值进行欧氏距离计算，得到各预测终端对应于所述专家样本库分别形成的欧氏距离值集合；
样本统计模块，用于针对每一预测终端，均统计出其对应得到的欧氏距离值集合中最小的K个欧氏距离值以及所述得到的K个欧氏距离值在所述专家样本库中对应的样本，且进一步均统计出其对应得到的K个样本中通信状态为故障时的数量和通信状态为正常时的数量；其中，K为自然数；
终端通信状态预测模块，用于检测出每一预测终端各自对应K个样本中通信状态为故障时的数量和通信状态为正常时的数量之间的最大值，并将各预测终端各自检测出的最大值对应的通信状态作为其预测的通信状态；
其中，所述预测终端通信状态预测单元还包括：
筛选模块，用于从所述各预测终端对应预测的通信状态中，筛选出通信状态为故障的预测终端；
得分计算模块，用于确定所述筛选出的通信状态为故障的预测终端各自对应得到的K个样本的通信状态及其对应的欧氏距离值，并根据第一公式和第二公式ranki＝(ri+K)×16，计算出所述通信状态为故障的各预测终端得到的得分ranki；其中，D1、D2、...DK分别为所述得到的1至K个样本的欧氏距离值；当D1、D2、...DK中Dj对应的样本通信状态为故障时，则相应的采用正计算符号计算，当D1、D2、...DK中Dj对应的样本通信状态为正常时，则相应的采用负计算符号计算；ranki为第i个预测终端的得分，i为自然数；
终端通信状态修订模块，用于统计出所述得分低于预设阈值的预测终端，并将所述统计出的预测终端预测的通信状态均修订为正常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510566177.2A CN105096217B (zh) | 2015-09-08 | 2015-09-08 | 一种电力计量自动化终端通信状态预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510566177.2A CN105096217B (zh) | 2015-09-08 | 2015-09-08 | 一种电力计量自动化终端通信状态预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105096217A CN105096217A (zh) | 2015-11-25 |
| CN105096217B true CN105096217B (zh) | 2019-05-21 |
Family
ID=54576573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510566177.2A Active CN105096217B (zh) | 2015-09-08 | 2015-09-08 | 一种电力计量自动化终端通信状态预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105096217B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678456B (zh) * | 2016-01-06 | 2020-09-18 | 深圳供电局有限公司 | 一种电能计量装置运行状态自动评估方法及其系统 |
| CN107610345A (zh) * | 2016-07-12 | 2018-01-19 | 宁波水粉科技有限公司 | 智能流量计费方法和装置 |
| CN107197473B (zh) * | 2017-06-15 | 2020-05-15 | 三星电子（中国）研发中心 | 一种终端异常状态确定方法和装置 |
| CN107612737B (zh) * | 2017-09-21 | 2021-05-04 | 郑州云海信息技术有限公司 | 一种告警方法及其装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222151A (zh) * | 2011-07-21 | 2011-10-19 | 电子科技大学 | 一种基于自回归滑动平均的模拟电路故障预测方法 |
| CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
| CN104572391A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市腾讯计算机系统有限公司 | 监控告警策略配置方法及装置、监控告警方法及装置 |
| CN104751374A (zh) * | 2015-03-27 | 2015-07-01 | 深圳供电局有限公司 | 一种计量自动化系统无线通信故障预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4810552B2 (ja) * | 2008-04-25 | 2011-11-09 | 株式会社東芝 | 故障確率算出に用いられる生存曲線を生成する装置および方法 |
| WO2010082322A1 (ja) * | 2009-01-14 | 2010-07-22 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
-
2015
- 2015-09-08 CN CN201510566177.2A patent/CN105096217B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222151A (zh) * | 2011-07-21 | 2011-10-19 | 电子科技大学 | 一种基于自回归滑动平均的模拟电路故障预测方法 |
| CN104572391A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市腾讯计算机系统有限公司 | 监控告警策略配置方法及装置、监控告警方法及装置 |
| CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
| CN104751374A (zh) * | 2015-03-27 | 2015-07-01 | 深圳供电局有限公司 | 一种计量自动化系统无线通信故障预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105096217A (zh) | 2015-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105184084B (zh) | 一种电力计量自动化终端故障类型预测方法和系统 | |
| CN105096217B (zh) | 一种电力计量自动化终端通信状态预测方法和系统 | |
| CN107436277B (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
| CN106596754B (zh) | 油色谱传感器有效性的评估方法及装置 | |
| CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
| CN107885642A (zh) | 基于机器学习的业务监控方法及系统 | |
| CN106780115A (zh) | 异常用电监测与定位系统及方法 | |
| CN112863134A (zh) | 一种农村污水处理设施运行异常的智能诊断系统及方法 | |
| CN102735999A (zh) | Gis局部放电在线监测系统及其故障模式识别方法 | |
| CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
| CN101211496A (zh) | 用于监视设备的方法和系统 | |
| CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
| CN112560214B (zh) | 变电站母线平衡故障诊断方法、系统、设备及存储介质 | |
| CN114201374B (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN108761377A (zh) | 一种基于长短时记忆模型的电能计量装置异常检测方法 | |
| CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
| CN113344134A (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
| CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
| CN106772205A (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
| CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
| CN117522380A (zh) | 基于热电运维的故障机理运维周期管理系统 | |
| CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
| CN106327103A (zh) | 一种配电室运行状态的评价系统及评价方法 | |
| CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN105678456B (zh) | 一种电能计量装置运行状态自动评估方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |